主要内容

initctpf

从检测报告中创建恒定的转速跟踪粒子过滤器

全部折叠到页面中

语法

pf = initctpf(检测)

描述

例子

pf= initctpf (检测）所提供的信息初始化用于目标跟踪的恒定转动率粒子滤波器objectDetection对象,检测．

该函数初始化一个恒定的周转速率状态，其约定与constturn和ctmeas, (x；vx；y；vy；ω；z；vz),ω周转周期。

例子

全部折叠

打开生活的脚本

创建一个固定的转身率跟踪粒子过滤器对象，trackingPF的初步检测报告。检测报告是由粒子滤波状态的初始三维位置测量在直角坐标。你可以通过恒转率测量功能获得三维位置测量，ctmeas．

这个例子使用了坐标，X = 1, y = 3, z = 0和三维位置测量噪声0.2 [1 0;0.2 - 2 0;0 0 1]．

检测= objectDetection(0， [1;3;0])，“MeasurementNoise”， [1 0.2 0;0.2 - 2 0;0 0 1);

使用initctpf创建一个trackingPF在给定位置初始化滤波器，并使用上述定义的测量噪声。

pf = initctpf(检测)
pf = trackingPF属性:状态:[7⨯1双]StateCovariance:[7⨯7双]IsStateVariableCircular: [0 0 0 0 0 0 0] StateTransitionFcn: @constturn ProcessNoiseSamplingFcn: [] ProcessNoise: [4 x4双]HasAdditiveProcessNoise: 0 MeasurementFcn: @ctmeas MeasurementLikelihoodFcn: [] MeasurementNoise: [3 x3双]粒子:[7x1000 double] weight: [1x1000 double] ResamplingPolicy: [1x1 trackingResamplingPolicy] ResamplingMethod: 'multinomial'

检查状态值和测量噪声。验证过滤器状态，pf.State，其位置分量与检测测量，检测。测量．

pf.State
ans =7×10.9674 0.3690 3.0471 0.2733 0.3056 -0.0590 0.0382

验证滤波器测量噪声，pf.MeasurementNoise，与检测。MeasurementNoise值。

pf.MeasurementNoise
ans =3×31.0000 0.2000 0 0.2000 2.0000 000 1.0000
打开生活的脚本

创建一个固定的转身率跟踪粒子过滤器对象，trackingPF的初步检测报告。检测报告是由粒子滤波状态的初始三维位置测量球坐标。可以通过恒转率测量功能获得三维位置测量，ctmeas．

这个例子使用了坐标az= 30 e1 = 5 r = 100 rr = 4测量噪声Diag ([2.5, 2.5, 0.5, 1].^2)．

量= (30;5;100;4);measNoise = diag([2.5, 2.5, 0.5, 1].^2);

使用MeasurementParameters财产的检测对象来定义框架。类的字段未定义时MeasurementParameters结构使用默认值。在本例中，传感器位置、传感器速度、方向、仰角和距离速率标志为默认值。

measParams =结构(“帧”，“球”）;检测= objectDetection(0,量,“MeasurementNoise”measNoise,．..“MeasurementParameters”measParams)
检测= objectDetection with properties: Time: 0 Measurement: [4x1 double] MeasurementNoise: [4x4 double] SensorIndex: 1 ObjectClassID: 0 Measurement parameters: [1x1 struct] ObjectAttributes: {}

使用initctpf创建一个trackingPF在给定位置初始化滤波器，并使用上述定义的测量噪声。

pf = initctpf(检测)
pf = trackingPF属性:状态:[7⨯1双]StateCovariance:[7⨯7双]IsStateVariableCircular: [0 0 0 0 0 0 0] StateTransitionFcn: @constturn ProcessNoiseSamplingFcn: [] ProcessNoise: [4 x4双]HasAdditiveProcessNoise: 0 MeasurementFcn: @ctmeas MeasurementLikelihoodFcn: [] MeasurementNoise: [4 x4双]粒子:[7x1000 double] weight: [1x1000 double] ResamplingPolicy: [1x1 trackingResamplingPolicy] ResamplingMethod: 'multinomial'

验证过滤器状态产生的测量值与检测。测量．

meas2 = ctmeas (pf。状态,detection.MeasurementParameters)
meas2 =4×129.9188 5.0976 99.8303 4.0255

输入参数

全部折叠

检测报告，指定为objectDetection对象。

例子:检测= objectDetection(0，[1;4.5;3]，'MeasurementNoise'， [1.0 0 0;2.0 0 0;0 0 1.5])

输出参数

全部折叠

用于目标跟踪的恒定转动速率粒子滤波器，返回为trackingPF对象。

算法

  • 该功能配置1000个粒子的过滤器。在创建滤波器时，该函数计算过程噪声矩阵，假设单位加速度标准差和单位角加速度标准差。

  • 你可以用这个函数FilterInitializationFcn的属性trackerTOMHT和trackerGNN系统对象。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

另请参阅

功能

对象

介绍了R2018b

传感器融合和跟踪工具箱文档

金宝app

自主系统的传感器融合与跟踪

自主系统的传感器融合与跟踪

下载白皮书